YOLO Vision 2026：
CC BY 4.0

Caltech-256 数据集#

Caltech-256 数据集是一个经典的图像分类基准，包含 30,607 张图像，涵盖 256 个物体类别以及一个背景类。每个类别至少包含 80 张真实世界物体图像——动物、车辆、家居用品和人物——因此它是用于物体识别模型的更大、更具挑战性的 Caltech-101 后继基准。

探索 Ultralytics Platform 上的 Caltech-256，预览样本、查看数据集统计信息，并克隆数据集以进行训练。



Watch: How to Train Image Classification Model using Caltech-256 Dataset with Ultralytics YOLO26
自动数据集划分

Caltech-256 未提供预定义的训练集/验证集划分。下面的训练命令会自动按 80% 训练集 / 20% 验证集进行划分，因此无需手动准备。

主要特性#

  • Caltech-256 包含 30,607 张彩色图像，涵盖 256 个物体类别以及一个 257.clutter 背景类（总计 257 个类别文件夹）。
  • 这些类别涵盖各种各样的现实世界对象，包括动物、车辆、家居用品和人物。
  • 每个类别至少包含 80 张图像，最大的类别约有 800 张，因此类别规模并不均衡。
  • 图像的尺寸和分辨率各不相同。
  • Caltech-256 广泛用于评估图像分类和物体识别算法。

数据集结构#

Caltech-256 以 257 个文件夹的形式分发——每个类别对应一个文件夹，涵盖 256 个物体类别以及一个 257.clutter 背景类——且未提供预定义的训练集/验证集划分。启动训练时，Ultralytics 会自动划分图像，使模型无需任何手动设置即可在全部 257 个类别上进行训练：

  • 类别数：257（256 个物体类别 + 1 个背景类）
  • 图像总数：30,607
  • 训练集/验证集划分：自动按 80% / 20% 划分（约 24,385 张训练图像，约 6,222 张验证图像）
  • 每个类别的图像数：至少 80 张（分布不均衡，最多约 800 张）

应用#

Caltech-256 数据集广泛用于训练和评估图像分类和物体识别模型，包括卷积神经网络（CNNs）和支持向量机（SVMs）。其丰富的类别数量和高质量图像使其成为机器学习和计算机视觉研究与原型开发中广受欢迎的基准。

使用方法#

在 Caltech-256 上训练 YOLO 模型 100 个周期，图像尺寸设为 416。有关可用参数的完整列表，请参阅训练页面和图像分类任务指南。

训练示例
from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="caltech256", epochs=100, imgsz=416)

示例图像和标注#

Caltech-256 数据集包含各种物体的高质量彩色图像，为图像分类任务提供了结构良好的数据集。以下是该数据集中的一些图像示例（致谢）：

Caltech-256 图像分类数据集示例

这些样本展示了 Caltech-256 数据集中物体的多样性和复杂性，凸显了多样化数据集对于训练稳健物体识别模型的价值。

引用和致谢#

如果你在研究或开发工作中使用 Caltech-256 数据集，请引用以下论文：

引用
@article{griffin2007caltech,
         title={Caltech-256 object category dataset},
         author={Griffin, Gregory and Holub, Alex and Perona, Pietro},
         year={2007}
}

我们感谢 Gregory Griffin、Alex Holub 和 Pietro Perona 创建并维护 Caltech-256 数据集，为机器学习和计算机视觉研究社区提供了宝贵资源。有关 Caltech-256 数据集及其创建者的更多信息，请访问 Caltech-256 数据集网站。

常见问题#

  • Caltech-256 数据集广泛用于训练和评估图像分类及物体识别模型。它包含 30,607 张图像，涵盖 256 个物体类别以及一个背景类，为卷积神经网络（CNNs）和支持向量机（SVMs）等算法提供了比 Caltech-101 更大、更具挑战性的基准。

  • 要在 Caltech-256 上训练 Ultralytics YOLO 模型，请使用下面的代码片段。数据集会在首次使用时自动下载。有关参数的完整列表，请参阅模型的训练页面。

    训练示例
    from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="caltech256", epochs=100, imgsz=416)

  • Caltech-256 包含 256 个物体类别以及一个 257.clutter 背景类，共有 257 个类别文件夹和 30,607 张图像。使用 Ultralytics 进行训练时，模型会学习全部 257 个类别。每个类别至少包含 80 张图像，但类别规模并不均衡，最大的类别约有 800 张图像。

  • Caltech-256 没有预定义的划分。首次训练时，Ultralytics 会自动按 80% 训练集 / 20% 验证集进行划分——约 24,385 张训练图像和 6,222 张验证图像——因此你无需手动创建划分。若要自行控制划分，请在训练前将图像整理到 train/ 和 val/ 文件夹中。

  • 可以。Ultralytics Platform 让你能够管理数据集、训练图像分类模型，并在无需大量编码的情况下部署模型。这是在云端运行 Caltech-256 实验的便捷方式，你还可以在我们的分类数据集概览中探索更多选项。

贡献者
GLglenn-jocher14RAraimbekovm3RIRizwanMunawar3MAMatthewNoyce1JKjk4e1

评论